Text-zu-Cypher Retrieval-Chain

Du hast jetzt eine Chain, die natürliche Sprache in eine Cypher-Anweisung umwandeln kann. Verwenden wir sie in einer größeren Chain, um das von der LLM generierte Cypher auszuführen und Benutzerfragen mit den abgerufenen Informationen zu beantworten.

Diese Übung ist Teil des Kurses

<Kurs>Graph RAG mit LangChain und Neo4j</Kurs>

Übungsanweisungen

Aktualisiere den Code, um die vom text_to_cypher_chain generierte Cypher-Anweisung auszuführen und weise das Ergebnis der Variable "context" zu, die in QA_PROMPT verwendet wird.
Leite die Eingabe unverändert an die Variable "question" weiter.

Interaktive praktische Übung

Versuche dich an dieser Übung, indem du diesen Beispielcode vervollständigst.

qa_prompt = ChatPromptTemplate.from_messages([
    SystemMessagePromptTemplate.from_template(QA_PROMPT),
    HumanMessagePromptTemplate.from_template("Question: {question}")
])

qa_chain = {
  	# Use output of text_to_cypher to get database results
    "context": text_to_cypher_chain | ____(lambda cypher: graph.____(cypher)),
    # Pass the user input through to the "question" variable
    "question": ____
} | qa_prompt | llm | StrOutputParser()

res = qa_chain.invoke({"question": "What companies is Harrison Chase connected to?"})
print(res)

Code bearbeiten und ausführen

Diese Übung ist Teil des Kurses

<Kurs>Graph RAG mit LangChain und Neo4j</Kurs>

Hohe SchwierigkeitSchwierigkeitsgrad

4.8+

Kurs kostenlos starten

Lerne, wie Graph RAG die Genauigkeit und Zuverlässigkeit von RAG-Anwendungen verbessern kann! Speichere Informationen als Knoten und Kanten in einer Neo4j-Datenbank und gib deinem LLM die Fähigkeit, sie abzufragen, damit es Entitäten- und Beziehungsinformationen abrufen und fundierte Antworten geben kann.

Exercise 1: Graphs und RAG Exercise 2: Knoten erstellen Exercise 3: Beziehungen erstellen Exercise 4: Graph-Dokumente speichern Exercise 5: Eine Wissensgraph-Abfrage durchführen Exercise 6: Cypher-Anweisungen schreiben Exercise 7: Cypher-Anweisungen ausführen Exercise 8: Die MERGE-Klausel Exercise 9: Text-zu-Cypher Graph RAG mit Neo4j Exercise 10: Eine Text-zu-Cypher-Chain erstellen Exercise 11: Text-zu-Cypher Retrieval-Chain

Aktuelle Übung

Text-to-Cypher-Anwendungen funktionieren in vielen Situationen gut, aber wir können noch mehr herausholen! Entdecke, wie du Graphdatenbanken mit unterschiedlichen Graphmodellen konstruierst, darunter lexikalische und Domain-Graphen. Erstelle Neo4j-Vektorindizes, damit du das Beste aus beiden Welten nutzen und Graph- und Vektorabruf gleichzeitig ausführen kannst!

Exercise 1: Lexikalische Graphen Exercise 2: Elemente eines lexikalischen Graphen Exercise 3: Das Stück in Akte aufteilen Exercise 4: Erstellen eines hierarchischen Lexikalgraphen Exercise 5: Lexikalische Graphen mit Vektorsuche kombinieren Exercise 6: Text in Chunks aufteilen Exercise 7: Einen Vektorindex erstellen Exercise 8: Domänengraphen Exercise 9: Strukturierte Ausgabe erstellen Exercise 10: Einen strukturierten Output anfordern Exercise 11: Few-shot-Beispiele bereitstellen Exercise 12: Eine hybride Retrieval-Chain aufbauen Exercise 13: Runnable-Lambdas Exercise 14: Zusätzliche Werte einem Input zuweisen Exercise 15: Das letzte Glied in der Kette

Auch wenn Graph-RAG-Anwendungen im Allgemeinen zuverlässiger sind als Vector RAG, sind sie nicht unfehlbar. In diesem Kapitel lernst du, deine Graph-RAG-Anwendungen zu evaluieren, falsche oder doppelte Graphknoten zu erkennen und Langzeitgedächtnis zu integrieren, damit Nutzerpräferenzen über die Zeit erlernt werden können.

Exercise 1: Entitätsauflösung Exercise 2: Extrahierte Entitäten verwenden Exercise 3: Graphbasierte Entitätsauflösung Exercise 4: Graph RAG mit RAGAS evaluieren Exercise 5: Erstellen einer Ragas-Evaluierung Exercise 6: Kontext-Retrieval mit Ragas evaluieren Exercise 7: Memory Graphs Exercise 8: Unterhaltungsspeicher im Graphen sichern Exercise 9: Fakten aus Gesprächsverläufen extrahieren Exercise 10: Extrahierte Gesprächsfakten verwenden Exercise 11: Glückwunsch!